شناسایی سرطان غیرقابل تشخیص با تکنولوژی یادگیری ماشینی

منتشر شده در analyticsinsight به تاریخ ۵ سپتامبر ۲۰۲۲
لینک منبع IDENTIFYING UNDIAGNOSABLE CANCER WITH MACHINE LEARNING TECHNOLOGY

شناسایی نوع دقیق سرطان یک بیمار و محل اصلی آن -عضو یا ناحیه بدن که بیماری ابتدا در آن ظاهر می‌شود- اولین قدم در تصمیم‌گیری در مورد بهترین دوره درمان است.

با بررسی دقیق الگوهای بیان ژن مربوط به رشد و تمایز اولیه سلول، یک روش یادگیری عمیق جدید توسعه‌ یافته توسط دانشمندان در بیمارستان عمومی MIT و ماساچوست (MGH) ممکن است به طبقه‌بندی سرطان‌های اولیه ناشناخته کمک کند.

یادگیری ماشینی برای حل مساله جداسازی تغییرات در بیان ژن بین انواع مختلف سرطان‌ها از یک منبع ناشناخته بسیار مناسب است. تا حدی به دلیل تغییرات عمده در نحوه بیان ژن‌ها، سلول‌های سرطانی از نظر نحوه ظاهر شدن و رفتار با سلول‌های نرمال تفاوت زیادی دارند. داده‌های زیادی وجود دارد که به لطف پیشرفت‌ها در پروفایل تک سلولی و ابتکارات برای فهرست‌بندی الگوهای بیان سلولی مختلف در اطلس‌های سلولی، نکاتی در مورد چگونگی و مکان شروع تومورهای خاص ارائه می‌کند، حتی اگر این کار برای چشم انسان بسیار طاقت‌فرسا به نظر برسد.

با این حال، ایجاد یک مدل یادگیری ماشینی که تمایزات بین سلول‌های سرطانی و سالم و همچنین بین انواع دیگر سرطان‌ها را ادغام کند، نیازمند ایجاد تعادل است. مدلی که بسیار پیچیده است و جنبه‌های زیادی از بیان ژن سرطان را در نظر می‌گیرد ممکن است به نظر برسد که داده‌های آموزشی را بدون نقص یاد بگیرد اما با داده‌های جدید مبارزه کند. با این حال، مدل ML ممکن است انواع داده‌هایی را که طبقه‌بندی دقیق انواع سرطان را ممکن می‌سازد، در صورتی که با کاهش تعداد ویژگی‌ها ساده‌تر شود، نادیده بگیرد.

این تیم این مدل را روی شاخص‌های فرایندهای رشدی مختل شده در سلول‌های سرطانی متمرکز کرد تا به توافقی بین کاهش تعداد ویژگی‌ها و در عین حال بدست آوردن اطلاعات مناسب دست یابد. سلول‌های تمایز نیافته در اندام‌های مختلف به عنوان جنین رشد می‌کنند و چندین مسیر تقسیم سلولی، رشد، تغییر شکل و مهاجرت را کنترل می‌کنند. سلول‌های سرطانی بسیاری از ویژگی‌های خاص یک سلول بالغ را با رشد تومور از دست می‌دهند. زمانی که آن‌ها ظرفیت تکثیر، تغییر و گسترش به بافت‌های جدید را توسعه می‌دهند، شروع به شباهت به سلول‌های جنینی از برخی جهات می‌کنند. بسیاری از فرآیندهای بیان ژن مرتبط با جنین‌زایی شناخته شده است که در سلول‌های سرطانی دوباره فعال می‌شوند یا تنظیم نمی‌شوند.

اطلس ژنوم سرطان (TCGA) ، که شامل داده‌های بیان ژن برای ۳۳ نوع تومور مختلف است، و اطلس سلولی سازمانی موش (MOCA) ، که ۵۶ مسیر مختلف از سلول‌های جنینی را به هنگام رشد و تمایز، پروفایل می‌کند، توسط محققان برای یافتن همبستگی بین تومور و سلول‌های جنینی مقایسه شد.

محققان با تشریح اجزای مختلف بیان ژن نمونه‌های تومور از TCGA به بخش‌های مجزا که هر کدام یک مرحله متمایز از یک مسیر تکاملی را نشان می‌دهند، به هر جزء که ایجاد کردند، یک مقدار عددی اختصاص دادند. پریسترون چند لایه توسعه‌یافته (D-MLP) ، که محققان آن را ایجاد کردند، یک فن‌آوری یادگیری ماشینی است که یک تومور را با توجه به عناصر رشد آن ارزیابی می‌کند و سپس منشا آن را پیش‌بینی می‌کند.

پس از آموزش، D-MLP برای آنالیز ۵۲ نمونه تازه از بدخیمی‌های دشوار با منشا اولیه نامشخص که قادر به شناسایی با استفاده از روش‌های موجود نبودند، مورد استفاده قرار گرفت. در طول چهار سال از سال ۲۰۱۷، این موارد سخت‌ترین مواردی بودند که در MGH با آن‌ها مواجه شدیم. جالب است توجه داشته باشید که این مدل تومورها را به چهار دسته تقسیم کرده و پیش‌بینی‌ها و دیگر داده‌هایی را ایجاد کرده‌است که ممکن است به پزشکان در تشخیص و درمان این بیماران کمک کند.

مقایسه جامع بین تومور و سلول‌های جنینی در مطالعه، اطلاعات دلگرم‌کننده و گاهی غیر منتظره جدیدی در مورد پروفایل‌های بیان ژن انواع خاص تومور را فراهم می‌کند. به عنوان مثال، در طول اولین مراحل تکامل جنینی، یک لوله روده ساده ظهور می‌کند، با دستگاه گوارش که به عنوان منشا ریه‌ها و دیگر اندام‌های مجاور عمل می‌کند و دستگاه گوارش میانی و عقبی به عنوان منبع اولیه اکثریت دستگاه گوارش عمل می‌کند. با توجه به این مطالعه، سلول‌های توموری مشتق‌ شده از ریه شباهت‌های قابل‌توجهی با نتایج رشد روده میانی و عقبی و همچنین روده قدامی، همانطور که انتظار می‌رود، نشان دادند. این یافته‌ها حاکی از آن است که تفاوت‌ها در برنامه‌های رشد ممکن است روزی به شیوه‌ای مشابه استفاده از انواع ژنتیکی برای تولید درمان‌های مناسب یا سفارشی‌شده سرطان مورد استفاده قرار گیرد.

اگرچه این مطالعه یک روش قوی برای طبقه‌بندی سرطان‌ها ارائه می‌دهد، اما چندین اشکال دارد. محققان امیدوارند که در تحقیقات آینده خود، توانایی پیش‌بینی مدل را با در نظر گرفتن انواع دیگری از داده‌ها، به ویژه جزئیات مربوط به رادیولوژی، میکروسکوپی، و سایر تکنیک‌های تصویربرداری تومور بهبود بخشند.

این متن با استفاده از ربات ترجمه مقالات هوش مصنوعی ترجمه شده و به صورت محدود مورد بازبینی انسانی قرار گرفته است.در نتیجه می‌تواند دارای برخی اشکالات ترجمه باشد.

مقالات لینک‌شده در این متن می‌توانند به صورت رایگان با استفاده از مقاله‌خوان ترجمیار به فارسی مطالعه شوند.